PREDICTING PERFORMANCE OF CLINICAL TRIAL SITES USING FEDERATED MACHINE LEARNING

• Main Authors: FOLWEILER, Kaitlin Ann, TALAMAS, Francisco Xavier, KIP, Geoffrey Jerome, MAHESH, Asha, VERSTRAETE, Hans Roeland Geert Wim
• Format: Patent
• Language: English; French
• Published: 16.03.2023
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATIONTECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING ORPROCESSING OF MEDICAL OR HEALTHCARE DATA; INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTEDFOR SPECIFIC APPLICATION FIELDS; PHYSICS

Disclosed herein are methods for predicting performance of one or more clinical trial sites for a prospective clinical trial, including obtaining input values of a plurality of clinical operation data associated with the one or more clinical trial sites; and generating predicted quantitative values informative of the performance of the one or more clinical trial sites by applying a trained federated learning model to the plurality of clinical operation data. The trained federated learning model is trained using a federated network. The federated network renders inaccessible a first dataset of a first party to the second party, and further renders inaccessible a second dataset of the second party to the first party. Sont divulgués ici des procédés de prédiction de la performance d'un ou de plusieurs sites d'essai clinique pour un essai clinique prospectif, consistant à obtenir des valeurs d'entrée d'une pluralité de données d'opérations cliniques associées au(x) site(s) d'essai clinique ; et à générer des valeurs quantitatives prédites informatives des performances du ou des sites d'essai clinique par l'application d'un modèle d'apprentissage fédéré entraîné à la pluralité de données d'opérations cliniques. Le modèle d'apprentissage fédéré entraîné est entraîné à l'aide d'un réseau fédéré. Le réseau fédéré rend inaccessible un premier ensemble de données d'une première partie à la deuxième partie, et rend en outre inaccessible un deuxième ensemble de données de la deuxième partie à la première partie.